Dans les ann\u00e9es 1970, la finance quantitative a \u00e9merg\u00e9 comme une discipline \u00e0 part enti\u00e8re, gr\u00e2ce \u00e0 des progr\u00e8s en puissance de calcul. L’accessibilit\u00e9 accrue des ordinateurs a permis le d\u00e9veloppement de mod\u00e8les math\u00e9matiques sophistiqu\u00e9s pour \u00e9valuer les risques et optimiser les portefeuilles. Des mod\u00e8les tels que le CAPM et le mod\u00e8le Black-Scholes ont r\u00e9volutionn\u00e9 l’analyse et l’\u00e9change d’actifs financiers. Cependant, la crise financi\u00e8re de 2008 a r\u00e9v\u00e9l\u00e9 les vuln\u00e9rabilit\u00e9s du syst\u00e8me, soulignant l’importance d’une \u00e9valuation rigoureuse des risques. Elle a conduit \u00e0 des r\u00e9formes r\u00e9glementaires comme B\u00e2le III.<\/p>\n\n\n\n
Aujourd’hui, l’adoption croissante des m\u00e9thodes d’apprentissage automatique et des mod\u00e8les de langage de grande taille (LLMs), associ\u00e9e \u00e0 l’exploitation de vastes ensembles de donn\u00e9es, cr\u00e9e de nouvelles opportunit\u00e9s pour le secteur financier. Cela laisse entrevoir une am\u00e9lioration significative de l’efficacit\u00e9 op\u00e9rationnelle ainsi qu’une optimisation des processus d\u00e9cisionnels.<\/p>\n\n\n\n
L’IA permet de traiter et d’analyser d’\u00e9normes volumes de donn\u00e9es en temps r\u00e9el. Les outils de traitement du langage naturel (NLP) puis depuis quelques ann\u00e9es les LLMs, permettent de convertir instantan\u00e9ment de l\u2019information textuelle (par exemple articles de presse, communication des entreprises etc.) en signaux quantitatifs, qui pourront \u00eatre utilis\u00e9s dans le cadre d\u2019une strat\u00e9gie d\u2019investissement par exemple. Gr\u00e2ce aux algorithmes d’apprentissage automatique, les institutions financi\u00e8res peuvent d\u00e9velopper de nouveaux mod\u00e8les de pr\u00e9diction des mouvements futurs du march\u00e9[1]<\/sup><\/a>, des surfaces de volatilit\u00e9, des co\u00fbts de transaction, pour ne citer que quelques exemples. Cela facilite la construction de strat\u00e9gies d’investissement et le passage d’ordres plus efficaces.<\/p>\n\n\n\n Figure 1 : Comparaison des performances de diff\u00e9rentes techniques de pr\u00e9vision des rendements des actions par machine learning. <\/strong><\/p>\n\n\n\n Note : Le graphique pr\u00e9sente la distribution des rangs des ratios de Sharpe annuels de 15 strat\u00e9gies long-short sur le march\u00e9 actions, bas\u00e9es sur des pr\u00e9visions des rendements via des algorithmes de machine learning bas\u00e9es sur plus de 300 caract\u00e9ristiques des titres. La distribution est obtenue en comptant le nombre de fois qu’un expert obtient le meilleur, le deuxi\u00e8me (etc.) ratio de Sharpe.<\/p>\n\n\n\n Source : <\/em>Remlinger Alasseur Bri\u00e8re and Mikael (2023)<\/em><\/a><\/em><\/p>\n\n\n\n L’IA permet \u00e9galement d’automatiser des t\u00e2ches r\u00e9p\u00e9titives et chronophages, telles que le suivi des transactions, l’analyse des risques, la d\u00e9tection de fraudes et la conformit\u00e9 r\u00e9glementaire. Cela lib\u00e8re du temps pour les professionnels, leur permettant de se concentrer sur des t\u00e2ches \u00e0 plus forte valeur ajout\u00e9e.<\/p>\n\n\n\n L’utilisation de l’IA permet \u00e9galement une personnalisation accrue des services financiers.[2]<\/sup><\/a> Les institutions peuvent communiquer plus efficacement aupr\u00e8s des clients, et offrir des recommandations adapt\u00e9es aux besoins sp\u00e9cifiques de chacun, am\u00e9liorant ainsi l’exp\u00e9rience client et favorisant une meilleure inclusion financi\u00e8re.<\/p>\n\n\n\n Figure 2 : Comparaison des performances des clients conseill\u00e9s par un robot (robo-takers) et clients non conseill\u00e9s (robo-curious)<\/strong><\/p>\n\n\n\n Note : Le graphique pr\u00e9sente les rendements cumul\u00e9s exp\u00e9riment\u00e9s par divers groupes d’investisseurs au fil du temps. La valeur du portefeuille au moment de l’introduction du robot-conseiller (septembre 2017) est normalis\u00e9e \u00e0 100 pour tous les groupes d\u2019investisseurs. La ligne violette correspond aux individus ayant souscrit aux services de robot-conseil, la ligne noire correspond aux robot-curieux, int\u00e9ress\u00e9s par le service mais qui n\u2019y ont pas souscrit. La ligne bleue pointill\u00e9e correspond \u00e0 des investisseurs (fictifs) qui r\u00e9\u00e9quilibreraient automatiquement leur portefeuille imm\u00e9diatement apr\u00e8s r\u00e9ception des alertes envoy\u00e9es par le robot.<\/p>\n\n\n\n Source : <\/em>Bianchi et Bri\u00e8re (2024)<\/em><\/a><\/em><\/p>\n\n\n\n Malgr\u00e9 ses avantages, l’int\u00e9gration de l’IA pr\u00e9sente des d\u00e9fis. Les algorithmes peuvent \u00eatre biais\u00e9s, entra\u00eenant des d\u00e9cisions discriminatoires, et le manque de transparence peut nuire \u00e0 la confiance. Par exemple, l’utilisation de ChatGPT par des clients peut alt\u00e9rer la qualit\u00e9 des demandes de pr\u00eat, compliquant l’analyse des informations par les banques.<\/p>\n\n\n\n L’IA peut am\u00e9liorer l’efficience des march\u00e9s en int\u00e9grant des informations en temps r\u00e9el provenant de sources alternatives. L’analyse de donn\u00e9es textuelles ou d’images satellites fournit par exemple des indicateurs \u00e9conomiques instantan\u00e9s ou de v\u00e9rifier tr\u00e8s rapidement l\u2019empreinte carbone des entreprises ou \u00e9valuer leurs risques climatiques (Bri\u00e8re et al., 2024).[3]<\/sup><\/a><\/p>\n\n\n\n Figure 3 : Distribution spatiale du risque d\u2019inondation \u00e0 Jakarta<\/strong><\/p>\n\n\n\n Note : (A) Risques d’inondation fluviale. (B) Risques d’inondation c\u00f4ti\u00e8re. Les scores plus \u00e9lev\u00e9s indiquent que les catastrophes sont plus susceptibles de se produire. Des algorithmes bas\u00e9s sur des clusters g\u00e9n\u00e8rent des scores pour (C) l’exposition et (D) la vuln\u00e9rabilit\u00e9. <\/p>\n\n\n\n Source : <\/em>Yang et al. (2024)<\/em><\/a><\/em><\/p>\n\n\n\n Cependant, l’utilisation g\u00e9n\u00e9ralis\u00e9e de l’IA pour le trading peut entra\u00eener une surr\u00e9action aux informations \u00e0 court terme, augmentant la volatilit\u00e9 des march\u00e9s. Les algorithmes, bien qu’immunis\u00e9s contre les \u00e9motions humaines, peuvent r\u00e9agir de mani\u00e8re excessive \u00e0 des signaux bruit\u00e9s, soulevant des pr\u00e9occupations sur la manipulation des informations. Enfin l\u2019utilisation accrue de donn\u00e9es textuelles, provenant parfois de sourves moins s\u00fbres comme les blogs ou les r\u00e9seaux sociaux, ouvre la voie au risque de manipulation des informations.<\/p>\n\n\n\n Les pr\u00e9occupations li\u00e9es \u00e0 la vie priv\u00e9e, \u00e0 la discrimination et \u00e0 la transparence des algorithmes soul\u00e8vent des questions \u00e9thiques cruciales. Les r\u00e9gulateurs doivent \u00e9quilibrer innovation et protection des consommateurs. De plus, une forte d\u00e9pendance \u00e0 l’IA peut rendre les institutions vuln\u00e9rables en cas de d\u00e9faillance technique, concentrant le pouvoir entre quelques grands acteurs technologiques. Enfin, les mod\u00e8les d’IA, notamment ceux bas\u00e9s sur l’apprentissage profond, n\u00e9cessitent une grande puissance de calcul et consomment beaucoup d’\u00e9nergie. L’automatisation peut \u00e9galement entra\u00eener des pertes d’emplois, soulevant des pr\u00e9occupations sociales. Il est essentiel de r\u00e9fl\u00e9chir \u00e0 des modes de collaboration efficaces entre humains et machines, ainsi qu’\u00e0 la conception d’une IA \u00ab frugale \u00bb pour minimiser son impact environnemental.<\/p>\n\n\n\n En conclusion, l’intelligence artificielle offre des perspectives prometteuses pour l’industrie financi\u00e8re, mais elle s’accompagne de d\u00e9fis importants. Il est crucial de d\u00e9velopper des pratiques responsables dans la conception et le d\u00e9ploiement de l’IA pour maximiser ses b\u00e9n\u00e9fices soci\u00e9taux. La collaboration entre r\u00e9gulateurs, chercheurs et praticiens sera essentielle pour naviguer dans ce paysage en constante \u00e9volution.<\/p>\n\n\n\n [1]<\/sup><\/a> Remlinger, C., Alasseur, C., Bri\u00e8re, M. and Mikael, J., 2023. Expert aggregation for financial forecasting. The Journal of Finance and Data Science<\/em>, 9<\/em>, p.100108.<\/p>\n\n\n\n![\"\"](\"https:\/\/www.lesrencontreseconomiques.fr\/wp-content\/uploads\/2025\/05\/1.png\")
<\/figure>\n\n\n\n![\"\"](\"https:\/\/www.lesrencontreseconomiques.fr\/wp-content\/uploads\/2025\/05\/12-668x446.png\")
<\/figure>\n\n\n\nD\u00e9fis et risques de l’int\u00e9gration de l’IA<\/strong><\/h2>\n\n\n\n
![\"\"](\"https:\/\/www.lesrencontreseconomiques.fr\/wp-content\/uploads\/2025\/05\/123.png\")
<\/figure>\n\n\n\n
\n\n\n\n